[發明專利]一種多任務聯合判別學習的車輛重識別方法

有效

• 申請號: 202010432575.6
• 申請日: 2020-05-20
• 公開（公告）號: CN111652293B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 李垚辰;吳瀟;宋晨明;劉躍虎
• 申請（專利權）人: 西安交通大學蘇州研究院
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/80;G06V10/764;G06K9/62;G06N3/04
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 姚詠華

本發明公開了一種多任務聯合判別學習的車輛重識別方法。方法通過多分支的網絡聯合學習多個任務，來獲取車輛的細粒度判別性特征。網絡通過屬性學習和ID學習兩個分支獲取網絡輸出特征向量，同時再用一個度量學習和ID學習任務來約束該特征向量，通過這四個任務聯合學習來獲取更加魯棒的特征。其中ID學習使用了不同于其他方法的ArcFL損失函數，度量學習使用了不同于其他方法的Trihard損失函數。通過創新性網絡結構的提出和損失函數的改進，使車輛重識別和檢索的精度得到顯著提升。本發明基于道路監控場景的大型車輛數據集實現，可以有效地應用于車輛查找任務。

技術領域

本發明屬于圖像處理、計算機視覺及模式識別領域，具體涉及一種多任務聯合判別學習的車輛重識別方法。

背景技術

近年來，車輛作為城市交通場景中的重要對象，在計算機視覺研究領域吸引了大量關注。車輛重識別技術是智能交通系統的重要研究內容，在智能管理、安全維護方面，面對自動收費、搜尋特定車輛等場景，均需要完成車輛重識別任務。常見的車輛重識別方法通常是基于度量學習的方法和將車型學習和度量學習聯合學習的方法。基于度量學習的方法比如Zhang等人提出的方法(參考Zhang的方法：Zhang Y,Liu D,Zha Z,et al.Improvingtriplet-wise training of convolutional neural network for vehicle re-identification[C].international conference on multimedia and expo,2017:1386-1391.)，使用三元組損失來進行度量學習，由于使用三元組損失選擇樣本時存在隨機性，容易選取到大量簡單訓練樣本，導致模型訓練不穩定；基于車型學習和度量學習聯合學習的方法，比如DRDL(參考Liu H,Tian Y,Wang Y,et al.Deep Relative Distance Learning:Tell the Difference between Similar Vehicles[C].computer vision and patternrecognition,2016:2167-2175.)，利用網絡的一個分支提取車輛的車型特征，另一個分支通過使用CCL(Coupled Clusters Loss)損失函數構造正負樣本集來做度量學習，再將兩個分支所學到的特征整合為最終的特征，有效的提高了模型提取特征的質量與穩定性。但是該方法的網絡結構簡單，不能充分學習到車輛的細粒度特征，車輛重識別精度不夠高。

發明內容

為了解決上述現有技術存在的問題，本發明的目的在于提供一種具有更高精度的基于深度學習的車輛重識別方法。

為了達到上述目的，本發明采用如下的技術方案：

一種多任務聯合判別學習的車輛重識別方法，包括如下步驟：

步驟1：獲取待檢索的車輛圖片以及車輛圖像數據集，將車輛圖像數據集劃分為訓練集和測試集；

步驟2：首先共享卷積神經網絡的卷積層，然后將全連接層分為兩個分支，一個分支采用交叉熵損失函數進行基礎屬性的分類學習，獲得特征向量及屬性分類任務損失；另一個分支采用ArcFL損失函數進行ID分類學習，獲得特征向量及ID分類損失；

步驟3：將兩個分支的特征向量融合，得到網絡的輸出特征向量，在網絡的輸出特征向量上，添加度量學習約束，采用困難樣本采樣三元組損失Trihard損失函數，完成度量學習任務；

步驟4：在兩個分支的融合特征向量上，添加ID學習約束，采用ArcFL損失函數完成ID學習任務；

步驟5：將步驟2產生的屬性分類任務損失與ID分類損失和步驟3中度量學習任務與步驟4中ID學習任務產生的損失相加，得到多任務的損失函數；通過多任務損失函數在訓練集上訓練卷積神經網絡，同時優化基礎屬性的分類學習、度量學習與ID分類學習，直到前向傳播的損失函數值趨于收斂時，停止訓練，得到深度學習模型；